第六章：NumPy 线性代数运算

第六章：NumPy 线性代数运算

NumPy 提供了强大的线性代数运算功能，使得在 Python 中进行矩阵运算、向量运算、解线性方程组等任务变得简单高效。本章将深入探讨 NumPy 线性代数模块（numpy.linalg），介绍常用的线性代数函数及其应用。

6.1 NumPy 线性代数模块简介

NumPy 的 numpy.linalg 模块包含了执行线性代数运算的各种函数。在使用这些函数之前，需要确保已经导入 NumPy 库：

import numpy as np
​

6.2 矩阵和向量的创建

在进行线性代数运算之前，首先需要创建矩阵和向量。NumPy 数组是表示矩阵和向量的理想选择。

# 创建矩阵
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
# 创建向量
vector_x = np.array([1, 2])
vector_y = np.array([3, 4])
print("Matrix A:\n", matrix_a)
print("Matrix B:\n", matrix_b)
print("Vector X:\n", vector_x)
print("Vector Y:\n", vector_y)
​

6.3 矩阵乘法

矩阵乘法是线性代数中最基本的操作之一。NumPy 提供了两种方法进行矩阵乘法：np.dot() 和 @ 运算符。

# 使用 np.dot()
matrix_product_dot = np.dot(matrix_a, matrix_b)
# 使用 @ 运算符 (Python 3.5+)
matrix_product_at = matrix_a @ matrix_b
print("Matrix Product (dot):\n", matrix_product_dot)
print("Matrix Product (@):\n", matrix_product_at)
​

对于向量，np.dot() 可以计算向量的点积（内积）。

# 向量点积
vector_dot_product = np.dot(vector_x, vector_y)
print("Vector Dot Product:\n", vector_dot_product)
​

6.4 矩阵转置

矩阵转置是指将矩阵的行和列互换。NumPy 使用 .T 属性或 np.transpose() 函数进行矩阵转置。

# 使用 .T 属性
matrix_a_transpose_T = matrix_a.T
# 使用 np.transpose() 函数
matrix_a_transpose_func = np.transpose(matrix_a)
print("Matrix A Transpose (.T):\n", matrix_a_transpose_T)
print("Matrix A Transpose (np.transpose()):\n", matrix_a_transpose_func)
​

6.5 矩阵的行列式

矩阵的行列式是一个标量值，它提供了关于矩阵性质的重要信息，例如矩阵是否可逆。NumPy 使用 np.linalg.det() 函数计算矩阵的行列式。

# 计算矩阵 A 的行列式
determinant_a = np.linalg.det(matrix_a)
print("Determinant of Matrix A:\n", determinant_a)
​

6.6 矩阵的逆

只有方阵才可能存在逆矩阵。如果一个矩阵的行列式不为零，则该矩阵可逆。NumPy 使用 np.linalg.inv() 函数计算矩阵的逆。

# 计算矩阵 A 的逆
try:
    matrix_a_inverse = np.linalg.inv(matrix_a)
    print("Inverse of Matrix A:\n", matrix_a_inverse)
except np.linalg.LinAlgError:
    print("Matrix A is singular (non-invertible).")
​

6.7 解线性方程组

NumPy 可以使用 np.linalg.solve() 函数解线性方程组。例如，对于方程组 Ax = b，其中 A 是系数矩阵，b 是常数向量，x 是未知向量，可以使用以下代码求解：

# 定义系数矩阵 A 和常数向量 b
A = np.array([[2, 1], [1, 3]])
b = np.array([5, 8])
# 解线性方程组 Ax = b
x = np.linalg.solve(A, b)
print("Solution of Ax = b:\n", x)
​

6.8 特征值和特征向量

特征值和特征向量是线性代数中的重要概念。对于一个方阵 A，如果存在一个非零向量 v 和一个标量 λ，使得 Av = λv，则 λ 是 A 的一个特征值，v 是对应的特征向量。NumPy 使用 np.linalg.eig() 函数计算矩阵的特征值和特征向量。

# 计算矩阵 A 的特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(matrix_a)
print("Eigenvalues of Matrix A:\n", eigenvalues)
print("Eigenvectors of Matrix A:\n", eigenvectors)
​

6.9 奇异值分解 (SVD)

奇异值分解 (SVD) 是一种重要的矩阵分解方法，可以将一个矩阵分解为三个矩阵的乘积：A = UΣV^T，其中 U 和 V 是正交矩阵，Σ 是一个对角矩阵，其对角线上的元素是 A 的奇异值。NumPy 使用 np.linalg.svd() 函数进行奇异值分解。

# 定义一个矩阵
A = np.array([[1, 2], [3, 4], [5, 6]])
# 进行奇异值分解
U, S, V = np.linalg.svd(A)
print("U:\n", U)
print("S:\n", S)
print("V:\n", V)
​

6.10 范数

矩阵和向量的范数是衡量其大小的一种方式。NumPy 使用 np.linalg.norm() 函数计算范数。

# 计算向量 x 的 L2 范数（欧几里得范数）
vector_x_norm = np.linalg.norm(vector_x)
print("L2 Norm of Vector X:\n", vector_x_norm)
# 计算矩阵 A 的 Frobenius 范数
matrix_a_norm = np.linalg.norm(matrix_a)
print("Frobenius Norm of Matrix A:\n", matrix_a_norm)
​

6.11 代码示例：图像压缩

SVD 可以用于图像压缩。通过保留较大的奇异值，我们可以近似地重构原始图像，从而实现压缩。

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
def compress_image(image_path, k):
    """
    使用 SVD 压缩图像。
    Args:
        image_path (str): 图像文件路径。
        k (int): 保留的奇异值数量。
    """
    # 读取图像并转换为灰度图
    img = Image.open(image_path).convert('L')
    img_array = np.array(img)
    # 进行奇异值分解
    U, S, V = np.linalg.svd(img_array)
    # 保留前 k 个奇异值
    S_k = np.diag(S[:k])
    U_k = U[:, :k]
    V_k = V[:k, :]
    # 重构图像
    compressed_img_array = U_k @ S_k @ V_k
    # 将图像数组转换为图像
    compressed_img = Image.fromarray(compressed_img_array.astype(np.uint8))
    return compressed_img
# 示例用法
image_path = "path/to/your/image.jpg" # 替换为你的图像路径
k = 50  # 保留前 50 个奇异值
compressed_image = compress_image(image_path, k)
# 显示原始图像和压缩后的图像
img = Image.open(image_path).convert('L')
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(img, cmap='gray')
plt.title("Original Image")
plt.subplot(1, 2, 2)
plt.imshow(compressed_image, cmap='gray')
plt.title(f"Compressed Image (k={k})")
plt.show()
​

6.12 可视化：线性变换

以下是一个使用 mermaid 图来可视化线性变换的示例。假设我们有一个二维向量 v，和一个变换矩阵 A。 线性变换 Av 可以被可视化为向量 v 在经过矩阵 A 变换后的结果。

解释:

• A [Vector v (before transformation)]: 表示原始向量 v，它是线性变换的输入。

• B (Apply Matrix A): 表示应用变换矩阵 A 到向量 v 的过程。

• C [Vector v' (after transformation)]: 表示变换后的向量 v'，它是线性变换的输出。

这个图简单地展示了线性变换的概念：一个向量通过与一个矩阵相乘，变换到另一个向量。

6.13 总结

NumPy 的 numpy.linalg 模块提供了丰富的线性代数运算功能，涵盖了矩阵乘法、转置、行列式、逆、解线性方程组、特征值分解、奇异值分解等常用操作。掌握这些函数可以帮助我们高效地进行线性代数计算，解决实际问题，如图像压缩、数据分析等。希望本章内容能够帮助你更好地理解和应用 NumPy 的线性代数功能。